3. 模型分类：定量模型与定性模型、信用风险模型、市场风险模型、操作风险模型、AI/ML 模型
在模型风险管理（MRM）框架下，对模型进行科学分类是实施差异化验证、资源配置与监控策略的前提。本章从两个维度展开：方法论维度（定量 vs. 定性）与风险领域维度（信用、市场、操作、AI/ML），并阐明各类模型在验证与 Champion/Challenger 实践中的关键差异。
3.1 定量模型与定性模型
根据模型输入、输出及推理过程的可量化程度，模型首先被划分为定量模型与定性模型。两者的核心区别决定了验证方法与挑战者模型的设计逻辑。
| 对比维度 | 定量模型 | 定性模型 |
|---|---|---|
| 输入特征 | 数值型、连续型、可观测数据 | 文本、专家判断、等级、语义标签 |
| 输出形式 | 连续数值、概率、评分 | 分类标签、排序、决策建议 |
| 可验证性 | 高（可回溯测试、基准对比） | 中低（依赖专家评审、逻辑一致性） |
| Champion/Challenger 策略 | 统计检验、损失函数对比 | 专家盲评、一致性检验、结构化辩论 |
| 典型示例 | PD/LGD 回归模型、VaR 参数模型 | 内控评级矩阵、合规风险热力图 |
验证要点： 定量模型验证强调统计显著性、拟合优度与预测误差；定性模型验证则需构建结构化专家评审框架，确保逻辑链条完整、假设透明且可追溯。
3.2 信用风险模型
信用风险模型用于评估借款人或交易对手违约的可能性（PD）、违约损失率（LGD）及违约风险暴露（EAD）。该类模型是 MRM 验证的传统核心领域，也是 Champion/Challenger 框架应用最成熟的场景之一。
- PD 模型： 逻辑回归、生存分析、评分卡；验证重点包括区分度（AR、KS）、校准度（Hosmer-Lemeshow 检验）及时间稳定性。
- LGD 模型： 线性回归、Beta 回归、决策树；验证关注残差分布、极端损失拟合及经济周期敏感性。
- EAD 模型： 转换系数估计、贷款等价因子；验证侧重转换率波动性与限额使用率建模。
- 组合模型： 信用组合风险模型（如 CreditMetrics、CreditRisk+）；验证需覆盖相关性结构、蒙特卡洛收敛性及尾部风险。
Champion/Challenger 实践： 信用风险模型通常以 Champion 模型（如逻辑回归）为基准，Challenger 模型（如 XGBoost、深度学习）在区分度与校准度上展开竞争，但需额外评估可解释性与监管合规性。
3.3 市场风险模型
市场风险模型衡量因市场价格（利率、汇率、股票、商品）不利变动导致的潜在损失。该类模型对时效性与尾部风险刻画要求极高。
| 模型类型 | 核心方法 | 验证重点 | Challenger 方向 |
|---|---|---|---|
| VaR 模型 | 历史模拟、方差-协方差、蒙特卡洛 | 回测失败率、独立性检验、保守性 | 条件 VaR (CVaR)、极值理论 (EVT) |
| 预期尾部损失 (ES) | 参数化、非参数化 | 尾部拟合、模型稳定性 | 混合分布、Copula 尾部依赖 |
| 敏感度模型 | Delta-Gamma、久期-凸性 | 近似误差、非线性捕捉能力 | 全量重定价、神经网络代理 |
监管提示： 巴塞尔协议要求市场风险模型必须通过严格的回测与 P&L 归因测试。Champion/Challenger 框架中，Challenger 模型若在尾部风险刻画上显著优于 Champion，可触发模型升级或资本计量方法变更。
3.4 操作风险模型
操作风险模型量化因内部流程、人员、系统或外部事件导致的损失风险。数据稀疏性与低频高损特征使其成为建模与验证的难点。
- 损失分布法 (LDA)： 频率分布（泊松/负二项）与严重度分布（对数正态/帕累托）的卷积；验证重点包括分布拟合优度、相关性假设及情景叠加合理性。
- 计分卡模型： 基于关键风险指标 (KRI) 与控制自我评估 (CSA) 的加权评分；验证侧重指标敏感性、权重稳定性及主观偏差控制。
- 情景分析模型： 专家驱动的极端损失情景；验证需确保情景覆盖全面、假设可追溯且压力参数合理。
Champion/Challenger 特殊性： 操作风险数据量小，Challenger 模型常采用贝叶斯方法或混合频率-严重度模型，通过先验信息增强估计稳定性。验证时需特别关注模型对极端损失的稳健性。
3.5 AI/ML 模型
随着金融科技发展，AI/ML 模型在信用评分、欺诈检测、智能风控等领域快速渗透。其黑箱特性、数据驱动性与复杂结构给 MRM 验证带来全新挑战。
| 模型类别 | 典型算法 | 验证挑战 | Champion/Challenger 适配 |
|---|---|---|---|
| 监督学习 | XGBoost、随机森林、神经网络 | 过拟合、特征重要性漂移、对抗鲁棒性 | 可解释性代理模型 (LIME/SHAP) 作为 Challenger 对比 |
| 无监督学习 | 聚类、异常检测、自编码器 | 标签缺失、轮廓系数主观性、概念漂移 | 集成聚类、半监督方法作为 Challenger |
| 强化学习 | Q-learning、策略梯度 | 环境非平稳性、奖励函数设计、探索-利用平衡 | 离线策略评估、模拟环境回测 |
| 大语言模型 (LLM) | Transformer、GPT 系列 | 幻觉、上下文一致性、合规对齐 | 结构化输出约束、RAG 增强作为 Challenger |
验证新范式： AI/ML 模型验证需引入数据质量审计、特征稳定性监控、模型可解释性报告及对抗性测试。Champion/Challenger 框架中，Challenger 模型不仅需在性能上超越，还需在可解释性与公平性上通过独立评估。
3.6 模型分类全景图
以下 SVG 图展示了五大模型分类及其在 MRM 验证与 Champion/Challenger 框架中的定位关系。
3.7 模型分类与验证策略对照
下表汇总了各类模型在验证频率、Champion/Challenger 周期及关键风险指标上的典型配置，便于 MRM 团队制定差异化验证计划。
| 模型类别 | 验证频率 | Champion/Challenger 周期 | 关键验证指标 | 典型挑战者方向 |
|---|---|---|---|---|
| 定量模型 | 年度 + 触发式 | 季度 | RMSE、MAE、KS、AR | 集成方法、贝叶斯改进 |
| 定性模型 | 年度 | 半年度 | 一致性系数、专家评分方差 | 结构化评分、模糊逻辑 |
| 信用风险模型 | 半年度 + 触发式 | 季度 | AR、KS、Hosmer-Lemeshow、LGD 残差 | XGBoost、深度学习评分卡 |
| 市场风险模型 | 季度 + 回测 | 月度 | 回测失败率、CVaR 偏差、P&L 归因 | 极值理论、Copula 模型 |
| 操作风险模型 | 年度 | 年度 | 分布拟合优度、尾部 VaR 稳定性 | 贝叶斯 LDA、混合分布 |
| AI/ML 模型 | 季度 + 持续监控 | 月度 | 特征重要性漂移、SHAP 稳定性、对抗鲁棒性 | 可解释代理模型、联邦学习 |
核心原则： 模型分类不是静态标签，而是动态管理的基础。随着业务环境变化与模型演进，分类应定期复审，确保验证策略与风险特征始终对齐。